30代文系・未経験からAIエンジニアを目指すには｜現実的な準備

30代・文系・未経験からの準備は、年齢だけで可能性を決めるより、希望する仕事の要件と、いま示せる成果物の差を整理することから始めます。 このページは、働きながらAI開発やデータ分析への転向を検討し、何を学ぶか決めたい方に向けた準備ガイドです。

「AIエンジニア」という名前でも、データを分析する仕事、モデルを開発する仕事、既存のAIをアプリに組み込む仕事では内容が違います。スクール名や学習期間を先に決めると、応募先が求めるものと学んだものがずれることがあります。

一次資料確認日：2026年10月5日。参照した資料は、厚生労働省 job tagのデータサイエンティストの職業情報と、IPAのデジタルスキル標準ver.2.0の公開案内です。以下の計画、比較表、架空の業務課題は編集部の提案で、採用企業の評価表や転職成功者の統計ではありません。

応募先の仕事から逆算して、学ぶ範囲を決める

1．「AIを使う」と「AIの仕組みを開発する」を分ける

生成AIで資料を要約できることと、AI機能を含むシステムを開発・運用できることは、別の能力です。どちらにも役割がありますが、前者の経験だけで後者の募集条件を満たすとはいえません。まず「AIに関わりたい」を、担当したい作業に言い換えます。

job tagはデータサイエンティストの仕事を、分析目標の設定、データの確認・加工、モデルの検証、実装などの流れで説明しています。一方、IPAのデジタルスキル標準はデータサイエンティストやソフトウェアエンジニア等の役割を整理しています。これらは仕事を理解する参考資料であり、特定企業への応募資格を認定するものではありません。

例えば、問い合わせ文を分類したいなら、すぐに大きなモデルを作る必要があるかを考えます。分類ルールを表で決めれば足りることもあれば、件数や精度の条件から別の方式を検討することもあります。「AIを使った」という事実より、なぜその手法を選んだかを説明できることを練習の目標にします。

逆に、チャット画面を作ることが目的なら、データ分析講座だけでは画面やログイン、エラー時の動作まで扱わない可能性があります。講座の名前が似ていても、制作するものと前提知識を確認してください。迷う場合は、興味のある募集を少数選び、共通する作業を拾うところから始められます。

2．求人票を「必須・歓迎・不明」に分けて読む

募集を読むときは、業務内容、必須条件、歓迎条件、入社後の教育、選考課題を別の欄に写します。「未経験歓迎」の一語だけでは、業界未経験なのか、対象技術の未経験なのか、開発全般の未経験なのか分かりません。意味が不明な条件は、自分に都合よく読み替えず質問欄に残します。

独自の確認表は、次のように作れます。下記の募集Aは架空の例です。実在の企業の採用基準や、応募できることの判定ではありません。

確認する項目	架空の募集Aのメモ	自分が示せること	次に確かめること
担当業務	月次データの加工・集計	表計算での集計経験	Python化する範囲
必須条件	SQLでのデータ抽出	練習で結合を扱った	実務経験が必須か
歓迎条件	可視化ツールの利用	未経験	入社後に学べるか
成果物	選考で確認する場合あり	公開データの分析ノート	提出形式と機密上の注意
働き方	記載が曖昧	出社可能日は限られる	出社頻度、勤務時間

会社ごとに判断は異なるので、ある募集の条件を業界全体の基準にはしません。また、求人の件数や掲載順位だけから「30代後半は対象外」「文系は通らない」といった結論を出すこともできません。年齢・学歴の扱いに疑問があれば、募集元の説明を確認します。

転職先をまだ決められない段階では、同じ職種名の募集を比較し、仕事内容がどこまで違うかを見るだけでも役立ちます。応募を急ぐより、自分が学ぼうとしている範囲と実際の仕事がつながっているかを確かめるための調査です。

募集情報は保存日を添えて記録します。数か月後には募集終了や条件変更があり得るため、応募時に公式採用ページを再確認してください。外部の解説記事や過去の求人を現在の条件として使わないことも、この確認表の役割です。

3．未経験を具体的な「できること」に分解する

「未経験です」だけでは、何を初めて学ぶのかが見えません。表計算の集計経験はあるがPythonは初めて、プログラミング経験はあるが統計は初めて、分析はできるがWeb開発は初めて、というように分けます。学部名から数学や実装能力を推定する必要はありません。

最初の確認課題として、架空の注文表から月別件数を計算し、元の件数と一致するか照合する練習を提案します。行が欠けていないか、日付が文字列のままになっていないか、同じ注文が重複していないかを順に確認します。コードが動いたことと結果が正しいことを分ける練習になります。

課題を終えたら、理解度を点数にせず「説明できる」「資料を見ればできる」「まだできない」に分類します。「欠損値を除いた理由を説明できない」と分かれば、次に読む資料が決まります。AIに書いてもらったコードでも、自分で条件を変えて結果を確かめられるかを見ます。

統計は、平均、中央値、割合の分母、欠損の扱いなど、目の前のデータを説明する範囲から進められます。モデル開発を目標にするなら、その後に確率や線形代数、評価指標などへ広げます。どこまで必要かは職務によるため、「数学は不要」「大学院レベルが全員に必要」と一律に決めません。

つまずきを記録するときは、問題文、期待した結果、実際の結果、試したことの四つを残します。このメモがあると、独学で調べる場合も講師に質問する場合も、困っている箇所を共有しやすくなります。学習時間が短い日は、この整理だけを終える日があっても構いません。

4．成果物は「再現・説明・限界」の三つをそろえる

ポートフォリオは採用を約束するものではありませんが、何を作り、どこまで理解しているかを説明する材料になります。画面の見栄えだけでなく、第三者が手順をたどれるか、元データと結果を照合できるか、未対応の条件が分かるかを確認します。

編集部が提案する小課題は、架空の問い合わせ10件を三つの話題に分類する例です。まず人が分類ルールと期待結果を作り、複数の話題を含む文や空欄を入れます。次にプログラムやAIの結果と比較し、同じ件数になっただけでなく、回答IDごとの分類が一致するかを確認します。

この課題なら「正解率が高い」という一言ではなく、「空欄は対象外にした」「二つの話題を含む回答には両方のラベルを付けた」「判断が割れる回答は保留した」と説明できます。ただし10件の教材で確認できたことを、あらゆる業務データに通用する性能として示さないでください。

READMEには、次の項目をまとめます。これは応募先指定の形式がないときの練習用の構成です。

1. 解きたい課題と、誰が結果を使う想定なのか。
2. データの出典・利用条件、または自作の架空データであること。
3. 実行環境、依存ライブラリ、最初に動かす手順。
4. 期待結果と、件数・合計・IDを使った確認方法。
5. 失敗した入力、未対応の条件、次に改善する点。

実務で触ったデータがあっても、公開してよいとは限りません。顧客名を消しただけでは機密情報が残ることがあります。公開用には許可されたデータか自作の教材を使い、職務上の経験と公開できる成果物を区別します。公開権限を説明できないファイルは掲載しません。

完成品が一つしかなくても、最初の誤りと修正理由を残すと学習の経過を説明できます。一方、講座の解答や他人のリポジトリをほぼそのまま置いただけでは、自分が担当した部分が伝わりません。参考資料を記載し、自分で変更・確認した箇所を明確にしてください。

5．学習期間は月数より、実際に使える時間から見積もる

「半年で転職」といった月数を、そのまま自分の計画に移すことはできません。同じ半年でも、週に使える時間、事前知識、目標とする職務が違います。まず短い期間だけ学習を試し、予定時間と実際に集中できた時間を比べます。

例えば平日30分を3回、休日90分を1回取れるなら、計画上は週3時間です。4週間で12時間になります。これは単なる計算例で、12時間でPythonが身に付くという意味ではありません。環境設定や復習に使う時間も含め、どの課題をどこまで進められたかを記録します。

予定どおり進まなければ、能力だけを原因にしないでください。題材が大きすぎた、前提知識が抜けていた、仕事の予定が変わったなど、別の原因も考えられます。次の週は課題の範囲を小さくしたり、復習の時間を増やしたりして計画を変えます。

講座の受講期限がある場合は、視聴時間だけでなく、演習、質問、回答を待って修正する時間まで確認します。「動画10時間」を10時間の予定枠に入れると、手を動かす余裕がなくなるかもしれません。教材を見終えることと、自分で同じ処理を再現できることを別の達成条件にすると進捗を判断しやすくなります。

仕事・費用・学び方を合わせて、次の行動を選ぶ

1．独学、講座、社内の機会を同じ条件で比較する

スクール受講は選択肢の一つです。独学で進められる範囲、質問や添削が必要な範囲、業務の中で試せる範囲を分けると、何にお金を払うのかが明確になります。転職を目的にする場合も、受講したことと採用条件を満たすことは別に確認します。

無料教材の入口としては、IPAのマナビDXで学習テーマから探す方法があります。掲載講座が自分に適しているか、無料か有料か、質問対応があるかは提供元で確かめます。公的な一覧にあることと、受講後の転職成果は別です。

説明会では「未経験から大丈夫ですか」だけでなく、自分が解いた小課題を説明し、その段階からどの教材に進むのかを聞きます。講師への質問が回数制なのか、教材外の成果物も添削できるのか、質問できる期間はいつまでかなど、利用場面が想像できる質問にします。

講座を比べる際は、同じ週の学習時間と同じ目標で相談してください。一方には業務効率化、もう一方には機械学習の転職を希望すると、提案内容が違うのは自然です。条件をそろえてから、教材、支援、費用の違いを比較します。

2．応募先や進路は「入りやすさ」の印象で決めない

データ分析、社内のAI活用、AIアプリ開発、副業など、複数の方向を検討することはできます。ただし「データアナリストの方が転職しやすい」「副業ならハードルが低い」とは一律にいえません。それぞれに求められる経験や納品責任があります。

社内の改善活動を選ぶなら、AIの出力を誰が確認し、誤りがあったとき誰が修正するのかまで考えます。小さな集計でも、社外に出せないデータや業務上の締切が関わります。学習目的だからといって、勤務先が許可していない外部サービスを使うことはできません。

副業・業務委託を検討するなら、受注前に、納品物、検収条件、修正回数、利用データ、稼働可能な時間を確認します。「実績作りのため」という理由で、まだ自分で検証できない分析やシステムを引き受けると、相手にも負担が生じます。教材での練習と有償業務の責任を分けて考えてください。

転職する場合は、求人票の条件に加えて、配属先の仕事、入社後に期待される成果、教育担当の有無を確認します。面接で不明点を聞くために、小課題で自分が困った点を整理しておくと、「何を教えてもらいたいか」を具体的に伝えられます。

現在の仕事で培った知識は、題材を選ぶヒントになります。営業経験なら問い合わせの分類や集計、事務経験なら入力ミスの確認などです。ただし業界経験だけで開発能力を示せるわけではないので、職務経験と新しく学んだ技術の両方を説明します。

3．費用は受講料と生活上の負担を分けて書く

受講料だけで学習予算を決めると、教材費、パソコン環境、試験料、クラウドやAPIの利用料が抜けることがあります。まずは必要な項目を列挙し、金額が未確認のものを空欄として残します。無料枠を超えた従量課金があるサービスは、その仕組みを確認してから利用します。

費用・条件	記録する内容	確認先
講座	税込総額、教材費、質問や添削の追加料金	公式見積り・契約条件
学習環境	必要な端末、利用ソフト、利用枠	教材・ツールの公式案内
支払い	分割の総額、手数料、支払時期	支払い条件の書面
休会・解約	期限、手続き、返金範囲	契約前の説明・規約
給付等	対象講座、本人要件、申請時期	所管窓口・実施事業者
生活上の条件	学習に使う時間、収入が変わる場合の影響	自分や家族の生活計画

給付制度は「対象講座」と表示されていても、自分が支給対象になるかを別に確認します。支給時期や追加条件がある場合、受講前の支払いをどのように行うかも必要な確認です。条件が未確定の給付を、すでに受け取るお金として差し引かない方が予算を把握しやすくなります。

給与についても、職種全体の統計や求人の上限額を、未経験で入社するときの条件として使わないでください。比較するのは、応募先から提示された基本給、手当、固定残業の扱い、賞与の条件などです。このページでは初任給の標準額を示していません。

仕事を続けるか、働き方を変えるかは、学習効率だけでなく生活上の制約と合わせて考える必要があります。転職までの期間を確約できない以上、収入が変わる場合の負担と、計画を見直す時点を先に決めておくと判断材料になります。

4．最初の4週間は「続けられる条件」を確かめる

次は編集部が作成した試行計画です。4週間で転職準備が終わるという意味ではなく、学習を続ける条件と次の課題を見つけるための例です。時間が取れない週は、同じ段階を続けても構いません。

1. 希望する作業と、募集に書かれた条件を並べる。
2. 架空データで一つの処理を作る。
3. 期待結果と比較し、説明できない点を記録する。
4. 独学で調べる点と、質問・添削を受けたい点を分ける。

1週目は仕事の切り分けです。 興味のある仕事を二つ程度選び、どんな作業を担当したいか一文にします。「AI業界に行く」よりも「毎月の集計をコードで再現し、結果の違いを説明したい」と書くと、小課題を決めやすくなります。職務要件の不明点はそのまま質問欄に残します。

2週目は小さな入力と期待結果を作ります。 数行の表に欠損や重複を入れ、手計算で合計を求めてからコードを実行します。エラーが出たら、メッセージと入力の一部を記録します。最初から大規模データや公開サービスを目指さず、自分が全行を確認できる範囲で始めます。

3週目は条件を変えて検証します。 行を一つ追加したら合計がどう変わるか、同じIDが二つあったらどう扱うかを確認します。期待どおりの結果と、意図しない結果を並べて説明します。コードをAIで補助した場合も、何を変更したかを自分の言葉で記録してください。

4週目は学び方の見直しです。 学習に使えた時間、できるようになった操作、まだ説明できない処理をまとめます。ここで講座を相談するなら、「欠損を含む集計の確認で詰まった」と具体的に伝えられます。相談を受けた後も、その場で契約せず、支援範囲と費用を持ち帰って比較できます。

この試行の成果物は、コード一式に加え、確認表と次の課題を一枚にまとめたメモです。小さな目標でも、何ができて何が未確認かを説明できれば、次の学習を選ぶ材料になります。教材の完走数だけを進捗にすると見落としやすい部分です。

5．よくある疑問と、次に開くページ

よくある質問

Q. 30代・文系でもAIエンジニアを目指せますか？

A.

年齢や学部名だけでは、応募先の要件を満たすか判断できません。仕事内容、必須経験、選考課題と、自分が説明できる成果物を照合してください。本記事は採用確率を示すものではありません。

Q. Pythonを先に学べばよいですか？

A.

データ処理を練習したい場合の入口になります。ただしWeb開発など別の前提が必要な仕事もあります。希望する作業を決めてから、使う言語と教材を選びます。

Q. どれくらいの期間を見積もればよいですか？

A.

開始時の知識、使える時間、目標、募集条件によって異なります。短期間の小課題で実際の学習時間を記録し、足りない範囲を見直してください。講座の修了期間と転職までの期間は別です。

Q. スクールに通わないと応募できませんか？

A.

受講歴が必要かは応募先の条件によります。講座は体系的な教材や質問・添削を利用する選択肢です。受講したことだけで応募要件や選考結果が決まるわけではありません。

Q. 副業から始める方が簡単ですか？

A.

一律にはいえません。業務委託にも納品物の品質、期限、情報管理などの責任があります。受注前に、自分で検証・修正できる範囲かを確認してください。

Q. 現職を辞めて集中した方がよいですか？

A.

生活費、働き方、健康や家族の事情、学習に使える時間を合わせて判断する問題です。退職による学習効果や転職時期を本記事では予測できません。収入が変わる場合の負担も整理してください。